Der menschengemachte Klimawandel: Ursachen, Effekte und Lösungswege

Kurs: Der menschengemachte Klimawandel: Ursachen, Effekte und Lösungswege | OnCourse UB

• Lektion 2
  • Einführung in die Künstliche Intelligenz

    
    

    Was können Sie in dieser Lektion lernen?

    Am Ende dieser Lektion…

    • haben Sie einen Überblick über die Anfänge und Entwicklungen der Künstlichen Intelligenz und können den Begriff definieren.
    • kennen Sie die Grundlagen des maschinellen Lernens und dessen Gemeinsamkeiten mit KI.

    In den letzten Jahrzehnten hat künstliche Intelligenz (KI) eine transformative Entwicklung durchlaufen, die nicht nur die Art und Weise, wie wir Technologie nutzen, sondern auch unsere Gesellschaft selbst verändert hat. Von den Anfängen in den Laboren der Forscher:innen bis hin zur Integration in unseren Alltag hat die Geschichte der KI faszinierende Fortschritte und Herausforderungen hervorgebracht. Dies schließt gesellschaftliche Herausforderungen durch die fortschreitende Digitalisierung und damit verbundenen Fragen zum nachhaltigen Einsatz von und durch KI ein.

  • Als erledigt kennzeichnen
  • Definition von Künstlicher Intelligenz 

    Eine allgemeine Definition von Intelligenz bezieht sich auf die Fähigkeit, Wissen zu erwerben und anzuwenden, Probleme zu lösen, vernünftige Entscheidungen zu treffen, abstrakt zu denken und sich an neue Situationen anzupassen. Intelligenz bei Lebewesen umfasst oft auch emotionales Verständnis und soziale Kompetenz.

    Definition

    Künstliche Intelligenz (KI) bezieht sich auf die Schaffung von Algorithmen und Computern, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. KI-Systeme können Muster erkennen, Daten verarbeiten, lernen, Schlussfolgerungen ziehen und Aufgaben wie Sprachverarbeitung, Bilderkennung oder autonome Entscheidungsfindung durchführen. Sie basieren auf Algorithmen und Modellen, die es ihnen ermöglichen, aus Erfahrung zu lernen und sich an neue Daten anzupassen. KI umfasst verschiedene Ansätze, darunter maschinelles Lernen, neuronale Netzwerke und Expertensysteme. Das Ziel ist es, Systeme zu schaffen, die menschenähnliche kognitive Fähigkeiten aufweisen können.

    Dabei wird häufig noch zwischen schwacher und starker KI unterschieden. Schwache KI bezieht sich auf System, die auf spezifische Aufgaben beschränkt sind, während starke KI mit der menschlichen Intelligenz vergleichbar ist und somit in der Lage ist allgemeine kognitive Fähigkeiten zu entwickeln, inklusive künstliches Bewusstsein, eigener Wille und Emotionen. Die Entwicklung einer solchen starken KI ist nicht realistisch und mit heutigen technologischen Mitteln nicht möglich. Eine schwache KI ist omnipräsent und erscheint Menschen teilweise sehr intelligent (z.B. ChatGPT, Schachcomputer, teilautonome Steuerungen von Fahrzeugen). Dies entspricht jedoch nicht dem Denken von Menschen. 

    Künstliche Intelligenz (KI), maschinelles Lernen (ML), neuronale Netzwerke (NN) und Deep Learning (DL) sind miteinander verbundene Begriffe, aber sie repräsentieren unterschiedliche Konzepte in der Welt der Informationstechnologie.

  • KI Technologien

    KI ist der Oberbegriff, der sich auf Systeme bezieht, die menschenähnliche Intelligenz aufweisen sollen. Das Ziel ist, Maschinen in die Lage zu versetzen, Aufgaben zu bewältigen, die normalerweise menschliche Intelligenz erfordern (Rohde et al. 2021; bitkom, 2017). KI umfasst verschiedene Technologien wie maschinelles Lernen, Computer Vision, Sprachverarbeitung, Robotik und mehr.

    
    

    ML - Machine Learning

    ML ist eine Teilmenge von KI, die sich darauf konzentriert, Algorithmen und Modelle zu entwickeln, die aus Daten lernen können, ohne explizit programmiert zu werden. Es ermöglicht Systemen, Erfahrungen zu sammeln und sich an neue Daten anzupassen. ML findet Anwendung in Predictive Analytics, Mustererkennung, Empfehlungssystemen, und mehr.

    DL -Deep Learning

    DL ist eine spezielle Form des maschinellen Lernens, die auf künstlichen neuronalen Netzwerken mit mehreren Schichten (tiefe Netzwerke) basiert. Es ermöglicht eine automatische Merkmalsextraktion und Hierarchiebildung. DL ist besonders erfolgreich in komplexen Aufgaben wie Bilderkennung, natürlicher Sprachverarbeitung und Spracherzeugung.

    Funktionieren die bisherigen Routinen jedoch nicht (z.B. ist das Wetter schlecht, aber die U-Bahn ist defekt) oder treten neue Handlungsanforderungen auf (z.B. die Vorlesung entfällt, die Inhalte müssen eigenständig erarbeitet werden), liegt eine Krise vor. Damit meint Oevermann ganz unspektakulär eine offene, echte Entscheidungssituation, für die noch keine Routine zur Verfügung steht.

    Krisenhaft ist zudem der Umstand, dass sich die zu treffende Entscheidung erst im Nachhinein als bewährt oder gescheitert erweisen wird. Man muss sie treffen in dem Glauben, dass es die richtige Entscheidung ist. Und sie muss auch mit dem Anspruch auf Begründbarkeit getroffen werden, obwohl die Begründung noch gar nicht gegeben werden kann.

    Diese Lücke zwischen dem jetzigen Handeln und seiner nachträglichen Begründung und Bewährung führt zu Handlungs- und Rechtfertigungsdruck. Um diese Lücke zu überbrücken, greifen wir auf Deutungsmuster zurück. Sie stellen „krisenbewältigende Routinen“ dar, „die sich in langer Bewährung eingeschliffen haben und wie implizite Theorien verselbständigt operieren, ohne dass jeweils ihre Geltung neu bedacht werden muss“ (Oevermann 2001, S. 38).

    NN -Neural Networks

    NN sind ein Modell des maschinellen Lernens, das von der Funktionsweise des menschlichen Gehirns inspiriert ist. Es besteht aus miteinander verbundenen Knoten (Neuronen), die Schichten bilden und Muster erkennen können. NN werden in Bild- und Spracherkennung, Mustererkennung und vielen anderen ML-Aufgaben eingesetzt.

    Zusammenfassend kann gesagt werden, dass KI den übergeordneten Begriff darstellt, ML eine Technik innerhalb der KI ist, NN eine Art von ML repräsentieren, und DL eine spezielle Form von NN ist, die tiefe, hierarchische Strukturen nutzt. Alle diese Begriffe sind miteinander verbunden und tragen dazu bei, intelligente Systeme und Anwendungen zu entwickeln.

  • Grundlagen von Maschinellem Lernen

    Maschinelles Lernen (ML) besitzt eine Vielzahl von Fähigkeiten, die es zu einem entscheidenden Teil künstlicher Intelligenz machen. 

    Im Bereich der wahrnehmenden Fähigkeiten kann ML komplexe Aufgaben der Bilderkennung übernehmen, indem es Objekte, Gesichter oder Muster in Bildern erkennt. Ein Beispiel hierfür sind Anwendungen in der Medizin, wo ML-Modelle radiologische Bilder analysieren und Krankheiten wie Krebs identifizieren können oder in der Werkstoffprüfung, wo ML-Modell eine nanomechanische Charakterisierung von Werkstoffen durchführen (fuseki, 2024).

    
    

    In Bezug auf motorische Fähigkeiten kann ML Roboter und autonome Fahrzeuge steuern. Ein Beispiel dafür ist die Nutzung von ML in der Robotik, wo Roboter durch maschinelles Lernen lernen, sich in einer Umgebung zu bewegen und Aufgaben auszuführen. Bei dem Projekt „Knowledge4 Retail“ wurden autonome Roboter entwickelt, die mit Hilfe der Wissensbasis, die im Projekt erarbeitet wurde, und dem digitalen Zwilling (digitales Abbild eines Objektes aus der realen Welt in der digitalen Welt) einer Filiale in ebendieser navigieren konnten, um Regale selbstständig zu befüllen (Knowledge4Retail, 2023).

    Analytische Fähigkeiten von ML ermöglichen das Entdecken von Mustern in großen Datensätzen. In der Finanzbranche können ML-Algorithmen beispielsweise Muster in Finanzdaten analysieren, um Trends vorherzusagen und Risiken zu bewerten.

    Generative Fähigkeiten von ML kommen in der Erstellung neuer Inhalte zum Ausdruck. Beispielsweise kann ein ML-Modell dazu verwendet werden, automatisch Texte zu verfassen oder sogar künstliche Bilder zu generieren, wie es bei Anwendungen in der Grafik- und Medienproduktion der Fall ist.

    
    

  • Zusammenfassung und Ausblick

    Sie haben gelernt, welche geschichtlichen Entwicklungen die Künstliche Intelligenz seit dem Jahre 1770 genommen hat. Sie haben außerdem gelernt, wie KI definiert werden kann und was es mit der Disziplin des maschinellen Lernens auf sich hat. In der nächsten Lektion kommt eine weitere wichtige und globale Entwicklung hinzu: der Klimawandel bzw. das Streben nach Nachhaltigkeit.